根据课本上151的例题，(只考虑西瓜数据集3.0的离散属性)，采用 sklearn 中的 CategoricalNB 方法预测测试样本(测1)的属性。

首先，为了使用sklearn库中的`CategoricalNB`（类别朴素贝叶斯分类器）对西瓜数据集3.0的离散属性进行预测，我们需要按照以下步骤操作：

1. **加载数据**：确保已经安装了pandas、numpy以及scikit-learn（sklearn）。使用pandas读取CSV文件，提取训练集和测试集。

import pandas as pd
from sklearn.model_selection import train_test_split

data = pd.read_csv('西瓜数据集3.0.csv') # 假设文件名

2. **数据预处理**：将离散属性转换为类别类型，因为`CategoricalNB`只支持数值特征进行独热编码。

# 对离散属性进行独热编码
dummies_data = pd.get_dummies(data, columns=data.select_dtypes(include=['object']).columns)

3. **拆分数据**：划分训练集和测试集。

X_train, X_test, y_train, y_test = train_test_split(dummies_data.drop('目标变量', axis=1), data['目标变量'], test_size=0.2, random_state=42)

4. **创建并训练模型**：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import CategoricalNB

vectorizer = CountVectorizer()
X_train_transformed = vectorizer.fit_transform(X_train)

clf = CategoricalNB()
clf.fit(X_train_transformed, y_train)

5. **预测测试样本**：

对于测试样本（测1），假设它是DataFrame格式，我们也需要对其进行同样的预处理：

test_sample_df = pd.DataFrame([测试样本的离散属性列], columns=data.columns[:-1])  # 测试样本的数据
test_sample_encoded = vectorizer.transform(test_sample_df)
prediction = clf.predict(test_sample_encoded)

6. **查看预测结果**：

print(f"预测结果：{prediction[0]}")